주제 : 사용자의 영화 시청 이력 데이터를 바탕으로 사용자가 다음에 시청할 영화 및 좋아할 영화를 예측
- implicit feedback으로 전처리된 MovieLens 데이터 활용
- implicit feedback 기반의 sequential recommendation 시나리오를 바탕으로 사용자의 time-orderd sequence에서 일부 item이 누락된 상황을 상정
- 사용자의 순차적인 이력(timestamp)과 implicit feedback을 고려한다는 점에서, 추천시스템 입문 강의들에서 자주 소개되는 explicit feedback 기반 협업 필터링 문제와 차별화
- Task : 사용자가 “시청한” 영화 중 마지막 영화를 포함하여 일부를 제거 한 후, 이를 예측하고, 그 중 맞춘 개수를 평가 점수로서 사용한다.
공유하고, 질문하고, 토론한다.
모델 하나를 깊게 파고 이해한다.
가망이 없다면 미련 없이 돌아선다.
궁금하면 일단 시도 해본다.
모든 판단은 근거에 기반한다.
네이버 부스트캠프 AI Tech 6기 Level 2 Recsys 2조 R_AI_SE 입니다.
💡 R_AI_SE의 의미
Recsys AI Seeker(추천시스템 인공지능 탐구자)를 줄여서 R_AI_SE입니다~
- 24시간코딩 이후 4시간 취침의 열정맨덜
- 티키타카
- 꿀잼
| 팀원 | 역할 및 담당 |
|---|---|
| 김수진 | Baseline 기반 3SRec/SASRec/BERT4Rec 실험, EASE/VASP baseline 구현, Recbole Framework 코드 분석 및 inference |
| 김창영 | NBCF, ALS 구현, CAR모델 학습 템플릿 작성 및 실험 |
| 박승아 | RecBole_GNN 기반 그래프 모델 실험, 앙상블코드 작성 |
| 전민서 | RecBole 기반 모델 실험 및 베이스라인 코드 작성, Bert4Rec_Random_query 구현, Negative Sampling |
| 한대희 | Negative Sampling, DeepFM, AutoRec, MultiVAE |
| 한예본 | RecBole 기반 모델 실험, BERT4Rec, Negative Sampling, SASRec/BERT4Rec query 방식 수정 시도 |
전체 : 데이터 EDA
-
모더레이터 역할
- 순서 : 매일 돌아 가면서
- 역할 : 피어세션 시 소개하고 싶은 곡 선정
-
데일리 스크럼
- 오늘 학습 계획 정하기
- Github PR 올린 것 코드리뷰 진행
-
피어세션
- 모더레이터가 가져 온 노래 나올 때 각자 스트레칭 하기
- 강의에 나오는 논문 리뷰하기
- 미션 파일 코드 분석 발표하기
- Github PR 올린 것 코드리뷰 진행
-
노션을 활용한 일정관리
- 실험 일지 작성을 통한 원활한 결과 공유 도모
- 커밋 메세지 컨벤션 유다시티 스타일
- 이슈 기반 작업
- 깃허브 칸반 보드를 활용한 일정 관리
- 데일리 스크럼/피어세션때 PR코드 리뷰 후 병합
- OS: Linux-5.4.0-99-generic-x86_64-with-glibc2.31
- GPU: Tesla V100-SXM2-32GB * 6
- CPU cores: 8
